System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及海面风场反演相关,尤其是涉及一种海面风场反演方法、系统、设备及存储介质。
技术介绍
1、准确反演风场对海洋运输规划和极端天气预报至关重要。深度学习技术已成为卫星遥感风场反演的重要工具,并呈现优异的效果。然而,现有模型往往难以准确反演高风,而且容易受到训练标签的误差分布的影响。
2、基于卫星遥感的海面风场反演在天气预报、热带气旋监测等领域发挥着重要作用。随着大数据时代的到来,深度学习技术作为一种实用、有效的方法应用于风场反演领域。目前,基于深度学习的风场反演面临的主要挑战是如何处理风场样本的不平衡分布,但损失函数的固有平均化通常会错误估计高风。而且较高的相关系数、较低的偏差和均方根误差通常被用作两个不同数据源之间一致性的指标。事实上,风场产品本身就包含误差。因此,目前基于深度学习的反演方法在训练拟合这些产品时往往会继承这些误差。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题。为此,本专利技术提出一种海面风场反演方法、系统、设备及存储介质,能够提高训练标签的精度,提升海面风场反演的准确度。
2、本专利技术的第一方面,提供了一种海面风场反演方法,包括如下步骤:
3、获取海面风场的历史ddm图像、历史ddm图像的风速真实值、待预测ddm图像和辅助参数;
4、构建第一深度学习神经网络模型,将所述历史ddm图像和所述辅助参数输入所述第一深度学习神经网络模型进行训练,得到第二深度学习神经网络模型及其输出的第一风速预
5、根据所述第一风速预测值与所述历史ddm图像的风速真实值计算第一总损失函数值,当第一总损失函数值达到预设值,则所述第二深度学习神经网络模型为训练好的深度学习神经网络模型;
6、将所述待预测ddm图像输入所述训练好的深度学习神经网络模型,得到所述待预测ddm图像的风速预测结果。
7、根据本专利技术实施例的控制方法,至少具有如下有益效果:
8、本方法通过获取海面风场的历史ddm图像、历史ddm图像的风速真实值、待预测ddm图像和辅助参数;构建第一深度学习神经网络模型,将历史ddm图像和辅助参数输入第一深度学习神经网络模型进行训练,得到第二深度学习神经网络模型及其输出的第一风速预测值;根据第一风速预测值与历史ddm图像的风速真实值计算第一总损失函数值,当第一总损失函数值达到预设值,则第二深度学习神经网络模型为训练好的深度学习神经网络模型;将待预测ddm图像输入训练好的深度学习神经网络模型,得到待预测ddm图像的风速预测结果,提高了训练标签的精度,提升了海面风场反演的准确度。
9、根据本专利技术的一些实施例,所述构建第一深度学习神经网络模型,将所述历史ddm图像和所述辅助参数输入所述第一深度学习神经网络模型进行训练,得到第二深度学习神经网络模型及其输出的第一风速预测值,包括:
10、根据所述历史ddm图像通过多个卷积层进行图像特征扁平化,得到图像扁平化特征向量;
11、根据所述辅助参数通过全连接层进行特征提取,得到辅助参数向量;
12、将所述图像扁平化特征向量与所述辅助参数向量进行特征融合,得到融合特征向量;
13、根据所述融合特征向量对所述第一深度学习神经网络模型进行训练,得到第二深度学习神经网络模型及其输出的第一风速预测值。
14、根据本专利技术的一些实施例,所述根据所述历史ddm图像通过卷积层进行图像特征扁平化,得到图像扁平化特征向量,包括:
15、根据所述历史ddm图像通过第一个卷积层与一个2×2的最大池化层进行图像处理,得到第一次处理后图像;
16、根据所述第一次处理后图像通过第二个卷积层与自注意力模块进行图像处理,得到第二次处理后图像;
17、根据所述第二次处理后图像通过第三个卷积层进行图像处理,得到第三次处理后图像;
18、根据所述第三次处理后图像进行图像特征扁平化,得到所述图像扁平化特征向量。
19、根据本专利技术的一些实施例,所述根据所述第一风速预测值与所述历史ddm图像的风速真实值计算第一总损失函数值,包括:
20、根据预设调整比例因子、所述第一风速预测值与所述历史ddm图像的风速真实值进行损失值计算,得到第一惩罚损失函数值;
21、根据所述第一风速预测值与所述历史ddm图像的风速真实值通过三元匹配法进行损失值计算,得到第一误差损失函数值;
22、根据所述第一惩罚损失函数值与所述第一误差损失函数值进行总损失函数值计算,得到所述第一总损失函数值。
23、根据本专利技术的一些实施例,所述根据预设调整比例因子、所述第一风速预测值与所述历史ddm图像的风速真实值进行损失值计算,得到第一惩罚损失函数值的计算公式为:
24、
25、
26、其中,lap为第一惩罚损失函数值,ωi为第i个样本的自适应惩罚因子,n为样本总数量,yi为历史ddm图像的第i个样本的风速真实值,为第i个样本的第一风速预测值,speedi为第i个样本的风速,s为预设的风速临界值,s0为预设调整比例因子。
27、根据本专利技术的一些实施例,所述根据所述第一风速预测值与所述历史ddm图像的风速真实值通过三元匹配法进行损失值计算,得到第一误差损失函数值,包括:
28、根据系统0的预设校准比例因子与系统0的预设校准偏差计算系统1的预设校准比例因子、系统1的预设校准偏差、系统2的预设校准比例因子和系统2的预设校准偏差;
29、根据所述第一风速预测值、所述历史ddm图像的风速真实值、所述系统1的预设校准比例因子、所述系统1的预设校准偏差、所述系统2的预设校准比例因子和所述系统2的预设校准偏差进行损失值计算,得到第一误差损失函数值,其中,所述根据所述第一风速预测值、所述历史ddm图像的风速真实值、所述系统1的预设校准比例因子、所述系统1的预设校准偏差、所述系统2的预设校准比例因子和所述系统2的预设校准偏差进行损失值计算,得到第一误差损失函数值的计算公式为:
30、xi=ait+bi+εi,i=0,1,2
31、mi=<xi>=ai<t>+bi,i=0,1,2
32、ci,j=mi,j-mimj,i,j=0,1,2
33、
34、
35、其中,ltc为第一误差损失函数值,xi为从系统i获得的测量值,t为对应三组观测的真实信号,ai为系统i的校准比例因子,bi为系统i的校准偏差,εi为系统i的随机误差,mi为系统i的一阶矩,mi,j为系统i和系统j的混合二阶矩,r2为由于不同观测系统之间空间分辨率的差异而产生的代表性误差,<>为数学期望,ci,j为系统i和系统j的矩差值。
36、根据本专利技术的一些实施例,所述根据所述第一惩罚损失函数值与所述第一误差损失函数值进行总损失函数值计算,得到所述第一总损失函本文档来自技高网...
【技术保护点】
1.一种海面风场反演方法,其特征在于,所述海面风场反演方法包括:
2.根据权利要求1所述的一种海面风场反演方法,其特征在于,所述构建第一深度学习神经网络模型,将所述历史DDM图像和所述辅助参数输入所述第一深度学习神经网络模型进行训练,得到第二深度学习神经网络模型及其输出的第一风速预测值,包括:
3.根据权利要求2所述的一种海面风场反演方法,其特征在于,所述根据所述历史DDM图像通过卷积层进行图像特征扁平化,得到图像扁平化特征向量,包括:
4.根据权利要求1所述的一种海面风场反演方法,其特征在于,所述根据所述第一风速预测值与所述历史DDM图像的风速真实值计算第一总损失函数值,包括:
5.根据权利要求4所述的一种海面风场反演方法,其特征在于,所述根据预设调整比例因子、所述第一风速预测值与所述历史DDM图像的风速真实值进行损失值计算,得到第一惩罚损失函数值的计算公式为:
6.根据权利要求5所述的一种海面风场反演方法,其特征在于,所述根据所述第一风速预测值与所述历史DDM图像的风速真实值通过三元匹配法进行损失值计算,得到第一误差
7.根据权利要求6所述的一种海面风场反演方法,其特征在于,所述根据所述第一惩罚损失函数值与所述第一误差损失函数值进行总损失函数值计算,得到所述第一总损失函数值的计算公式为:
8.一种海面风场反演系统,其特征在于,所述海面风场反演系统包括:
9.一种海面风场反演设备,其特征在于,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的一种海面风场反演方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的一种海面风场反演方法。
...【技术特征摘要】
1.一种海面风场反演方法,其特征在于,所述海面风场反演方法包括:
2.根据权利要求1所述的一种海面风场反演方法,其特征在于,所述构建第一深度学习神经网络模型,将所述历史ddm图像和所述辅助参数输入所述第一深度学习神经网络模型进行训练,得到第二深度学习神经网络模型及其输出的第一风速预测值,包括:
3.根据权利要求2所述的一种海面风场反演方法,其特征在于,所述根据所述历史ddm图像通过卷积层进行图像特征扁平化,得到图像扁平化特征向量,包括:
4.根据权利要求1所述的一种海面风场反演方法,其特征在于,所述根据所述第一风速预测值与所述历史ddm图像的风速真实值计算第一总损失函数值,包括:
5.根据权利要求4所述的一种海面风场反演方法,其特征在于,所述根据预设调整比例因子、所述第一风速预测值与所述历史ddm图像的风速真实值进行损失值计算,得到第一惩罚损失函数值的计算公式为:
6.根据权利要求5所述的一种海面风场反演方法,...
【专利技术属性】
技术研发人员:任开军,史鑫杰,苏庆国,李小勇,段博恒,倪维成,王悟信,
申请(专利权)人:中国人民解放军国防科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。